Что хотят услышать интервьюеры:

Коэффициент корреляции Пирсона ищет линейную зависимость между двумя количественными переменными. Он показывает, насколько изменения одной переменной связаны с пропорциональными изменениями другой. При этом он не измеряет причинно-следственную связь и плохо описывает нелинейные зависимости.

Определение:

Коэффициент корреляции Пирсона — это числовая мера силы и направления линейной связи между двумя переменными. Его значение лежит в диапазоне от -1 до 1:

1 — идеальная прямая линейная связь,
-1 — идеальная обратная линейная связь,
0 — линейной связи нет.

Важно, что Пирсон чувствителен именно к линейности: если связь есть, но она нелинейная, коэффициент может быть близок к нулю.

Пример использования:

Например, можно проверить связь между ростом человека и массой тела. Обычно при увеличении роста масса тоже растёт, и Пирсон может показать положительную корреляцию.

import numpy as np
from scipy.stats import pearsonr

height = np.array([160, 170, 180, 190])
weight = np.array([55, 65, 78, 90])

r, p_value = pearsonr(height, weight)

print(r)        # коэффициент корреляции
print(p_value)  # значимость связи

Пояснение кода:

В примере задаются два массива с наблюдениями: рост и вес.
Функция pearsonr вычисляет коэффициент корреляции Пирсона и p-value.
Если r близок к 1, это означает сильную положительную линейную связь: чем больше рост, тем больше вес.
Если r близок к -1, связь была бы обратной: одна переменная растёт, а другая уменьшается.
p_value помогает понять, насколько статистически значим полученный результат.

Ключевые моменты:

Пирсон измеряет только линейную связь между двумя переменными.
Значение коэффициента лежит в диапазоне от -1 до 1.
Знак коэффициента показывает направление связи, модуль — силу.
Корреляция не означает причинность.
Коэффициент чувствителен к выбросам.
Для нелинейных зависимостей Пирсон может быть неинформативен.

Какую зависимость между переменными ищет коэффициент корреляции Пирсона?